АНАЛИТИЧЕСКИЙ ОБЗОР ПОДХОДОВ К РАСПОЗНАВАНИЮ ЭМОЦИЙ ЧЕЛОВЕКА НА ОСНОВЕ КОМПЬЮТЕРНОГО ЗРЕНИЯ
Ключевые слова:
Распознавание эмоций, компьютерное зрение, глубокое обучение, классификация выражений лица, сверточные нейронные сети, аффективные вычисления, анализ изображений.Аннотация
В статье представлен систематический аналитический обзор эволюции методов распознавания эмоций человека на основе компьютерного зрения. Целью исследования является выявление ключевых этапов развития подходов Human Emotion Recognition (HER), а также анализ их преимуществ, ограничений и областей практического применения. Рассмотрены методы, начиная от классических алгоритмов с ручным извлечением признаков и традиционных классификаторов до современных архитектур глубокого обучения, включая сверточные нейронные сети, рекуррентные и пространственно-временные модели, механизмы внимания, Vision Transformers, графовые и мультимодальные подходы.
Проведён сравнительный анализ методов с точки зрения точности, устойчивости к неконтролируемым условиям и вычислительной сложности. Показаны основные направления применения HER-систем в образовании, медицине и интеллектуальных сервисах. Особое внимание уделено актуальным вызовам, связанным с интерпретируемостью моделей, качеством и смещениями датасетов, а также необходимостью адаптации алгоритмов к региональным, возрастным и поведенческим особенностям локальных пользовательских выборок. Отмечается, что вопросы культурно-региональной адаптации HER-моделей в казахстанских исследованиях остаются недостаточно разработанными и требуют дальнейшего научного осмысления. Полученные выводы формируют теоретическую основу для разработки устойчивых прикладных HER-систем, ориентированных на работу в реальных условиях эксплуатации.
Библиографические ссылки
Ekman P., Friesen W.V., Hager J.C. Facial Action Coding System (FACS): Manual and Investigator’s Guide. Salt Lake City: Research Nexus, 2002. 212 p.
Ekman P., Friesen W.V. Emotion in the Human Face. Cambridge: Cambridge University Press, 1975. 448 p.
Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge: MIT Press, 2016. 775 p.
He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770–778. https://doi.org/10.1109/CVPR.2016.90
Ahonen T., Hadid A., Pietikäinen M. Face Description with Local Binary Patterns: Application to Face Recognition // European Conference on Computer Vision (ECCV). 2004. P. 469–481.
Fasel B., Luettin J. Automatic Facial Expression Analysis: A Survey // Pattern Recognition. 2003. Vol. 36, No. 1. P. 259–275. https://doi.org/10.1016/S0031-3203(02)00052-3
Mollahosseini A., Hasani B., Mahoor M.H. AffectNet: A Database for Facial Expression, Valence, and Arousal Computing // IEEE Transactions on Affective Computing. 2017. Vol. 10, No. 1. P. 18–31. https://doi.org/10.1109/TAFFC.2017.2740923
Li S., Deng W. Deep Facial Expression Recognition: A Survey // IEEE Transactions on Affective Computing. 2020. Vol. 13, No. 3. P. 1195–1215. https://doi.org/10.1109/TAFFC.2020.2981446
Dosovitskiy A., Beyer L., Kolesnikov A., et al. An Image Is Worth 16×16 Words: Transformers for Image Recognition at Scale // International Conference on Learning Representations (ICLR). 2021. https://doi.org/10.48550/arXiv.2010.11929
Geetha A.V. Multimodal Emotion Recognition with Deep Learning: A Review // Information Fusion. 2023. Vol. 94. P. 78–89. https://doi.org/10.1016/j.inffus.2023.01.026
Corneanu C.A., Simón M.O., Cohn J.F., Guerrero S.E. A Survey on RGB, 3D, Thermal, and Multimodal Approaches for Facial Expression Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016. Vol. 38, No. 8. P. 1548–1568. https://doi.org/10.1109/TPAMI.2016.2515606
Zhang Z., Kollias D., et al. ABAW 2023: Competition on Affect Recognition in the Wild // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2023.
Tzirakis P., Trigeorgis G., Nicolaou M.A., Schuller B., Zafeiriou S. End-to-End Multimodal Emotion Recognition Using Deep Neural Networks // IEEE Journal of Selected Topics in Signal Processing. 2017. Vol. 11, No. 8. P. 1301–1309. https://doi.org/10.1109/JSTSP.2017.2764438
Liu Z., Lin Y., Cao Y., et al. Swin Transformer: Hierarchical Vision Transformer Using Shifted Windows // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021. P. 10012–10022. https://doi.org/10.1109/CVPR46437.2021.00986
Адикова А.К. Исследование алгоритмов и реализация методов распознавания эмоций с помощью машинного обучения // Материалы Международной научно практической конференции, посвящённой 65 летию Казахского агротехнического университета им. С. Сейфуллина. Астана, 2021. Т. 1, Ч. 4. С. 151–155.
Касымбаев Б.Б., Мустафин А.Т. Применение глубоких сверточных нейронных сетей для идентификации личности и анализа характеристик лиц // Труды университета (КарГТУ). — 2020. — № 2 (79). — С. 85–91.
Уалханова О.М., Бельгинова С.А. Алгоритмы распознавания лиц в видеопотоке с использованием сверточных нейронных сетей // Труды Международной научно-практической конференции «Инновационные ИТ-технологии». — Алматы: МУИТ, 2022. — С. 45–50.
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Аягуз Бексултанова, Қалыбек Мауленов, Сауле Кудубаева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
